CN111401476B - 基于边界区域重要性采样与核向量机的暂态安全评估方法 - Google Patents
基于边界区域重要性采样与核向量机的暂态安全评估方法 Download PDFInfo
- Publication number
- CN111401476B CN111401476B CN202010301010.4A CN202010301010A CN111401476B CN 111401476 B CN111401476 B CN 111401476B CN 202010301010 A CN202010301010 A CN 202010301010A CN 111401476 B CN111401476 B CN 111401476B
- Authority
- CN
- China
- Prior art keywords
- transient
- sample
- power system
- sampling
- boundary region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 64
- 238000005070 sampling Methods 0.000 title claims abstract description 61
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000009056 active transport Effects 0.000 claims description 3
- 238000005206 flow analysis Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 abstract 1
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013097 stability assessment Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Complex Calculations (AREA)
Abstract
基于边界区域重要性采样与核向量机的暂态安全评估方法，包括以下步骤：步骤一：获得系统运行样本，构建暂态安全指标，建立相应的样本数据库；步骤二：对样本数据库进行采样，以高效的生成离线训练样本集，并进行归一化以减轻机器计算负担；步骤三：构建电力系统暂态安全评估模型，并利用训练样本集对模型进行离线训练；步骤四：基于电力系统实时运行数据，利用持续更新的暂态安全评估模型完成对电力系统实时暂态安全状态的评估，得到最终暂态稳定评估结果。本发明的目的是为了提供一种有利于提高训练过程的速度和评估过程精度的方法，并且在电力系统暂态安全评估领域具有较强的适用性，可以避免大停电事故。
Description
技术领域
本发明涉及电力系统暂态安全评估领域，具体涉及到一种边界区域重要性采样和核向量机的暂态安全评估方案。
背景技术
一方面，由于电力系统互联的环境下，大量的设备，如智能仪表和新能源已经连接到电网。由于电网规模的不断扩大，电网的复杂性也在不断增加，这给电网的安全运行带来了巨大的挑战。同时，随着国民经济和社会的不断发展，对电力系统安全稳定运行和供电可靠性的要求也越来越高。我国电力体制改革不断深化，电力系统向远距离、特高压方向发展。各类大型储能元件、电动汽车充电桩等新型负荷不断连接，跨区域大容量联络线输电系统逐步投入运行，使电力系统运行的稳定性和调度运行面临着严峻的挑战。为了避免全国范围停电造成的巨大经济损失和社会影响，电力系统暂态稳定评估在系统动态行为的分析判断中起着重要的作用。
另一方面，时域仿真、直接法(包括Lyapunov法和暂态能量函数法)和扩展等面积准则是电力系统暂态稳定评估的主流方法。这些方法可以提供准实时或实时的电力系统暂态稳定评估，但在计算精度、速度和容量方面仍有改进的余地。时域仿真方法计算速度慢，不能提供稳定裕度，难以应用于实时在线分析。直接法和扩展等面积法可以获得系统的稳定裕度，但仅限于简单模型下的应用，不能完全满足在线计算的要求。随着电力系统中同步相量测量单元的不断发展，这些方法已经不能利用大量的相量测量单元数据进行实现在线计算。同时，随着广域测量技术的成熟和大数据理论的发展，机器学习已经成为电力系统在线稳定性评估的主要方法之一。但是传统的机器学习方法仍然有许多的缺陷，比如：训练样本集的效率问题；对评估结果未做评价；对暂态安全信息不能提供可视化；训练时间过长、难以适用于大规模数据。在实际运行的电力系统中经常会出现一些意外情况，传统的暂态安全评估模型难以对这些意外情况进行评估。
综上所述，传统方法已难以适用高速发展的现代电网对于实时暂态安全评估的切实需求，急需一种能够满足高适应性、高精度的实时评估方法。
授权公告号为CN104881741A的专利文献公开了一种基于支持向量机的电力系统暂态稳定判断方法，通过利用逐轮寻优确定支持向量机(Support Vector Machine,SVM)的输入特征量集合,进而通过SVM建立暂态稳定评估规则。该方法包括首先确定输入向量备选集、输入向量元素个数、SVM的核函数和训练参数,然后生成训练样本和测试样本,接着将所有备选特征量逐一加入输入特征量集合,训练SVM，确定使得SVM分类准确率最高的特征量,进而判断特征量选择计算是否结束及输入特征量集合输出,最后训练SVM并得到稳定规则。并且该方法存在如下缺陷：
①电力系统安全评估方法需要大量的样本集来训练或测试它的性能，生成这样的样本集是一项非常艰巨的任务，即使对于规模较小的电力系统也是如此。因此利用逐轮寻优确定SVM的输入特征量集合，将是相当耗时的。
②相比于SVM,核向量机(Core Vector Machine，CVM)具有更高的精度，更低的时间和空间复杂度，因此CVM具有更高的效率。
发明内容
本发明的目的是为了提供一种有利于提高评估速度和精度的方法，使其在电力系统暂态安全评估领域的具有极强的适用性，有利于系统运行人员及时采取预防控制措施，提高电网安全运行的稳定性。
本发明的目的实现方式如下：
基于边界区域重要性采样与核向量机的暂态安全评估方法，其特征在于，包括以下步骤：
步骤一)：利用电力系统历史运行数据以及对电力系统的一系列故障的模拟仿真，获取系统运行样本，构建动态安全指标，建立相应的样本数据库；
步骤二)：针对这个样本数据库，使用一种边界区域重要性采样方法，对样本数据库进行采样，以高效的生成离线训练样本集，并对该样本集进行标准归一化；
步骤三)：基于该样本集，结合CVM，构建电力系统暂态安全评估模型，并利用样本集对模型进行离线训练及更新；
步骤四)：基于电力系统实时运行数据，利用持续更新的评估模型完成对电力系统实时暂态安全状态的评估，得出暂态安全评估结果。
在步骤一)中，基于电力系统历史运行数据与预想事故集，进行详细的潮流分析和时域仿真，获得系统运行样本，建立相应的样本数据库。利用PSS/E软件进行时域仿真，得到各运行状态下各故障位置的极限切除时间(Critical Clearing Time，CCT)。通常当CCT大于实际清除时间(Actual Clearing Time，ACT)时，系统的运行状态被判断为安全。因此，构建暂态安全指标，即暂态安全裕度(Transient Stability Margin，TSM)，如公式(1)所示：
式中：CCTi为电力系统某个位置在事故i下的极限切除时间；ACTi为故障点在事故i下的实际切除时间；TSMi为该位置的暂态安全裕度。TSM的定义如公式(2)所示：
在步骤二)中，针对所建立的样本数据库，所使用的边界区域重要性采样方法分为以下两个步骤：
(1)使用信息熵来确定边界区域，如公式(3)所示：
式中：S为样本数据集合；C为类别数目；pi为分类为i类的在S中的比例。根据熵的概念，可以得到样本数据库的纯度的度量。E(S)的值越大表示纯度越低，即信息量越丰富，因此将熵值相对较大的地方定义为边界区域。用此方法来大致决定边界区域。
(2)使用一种基于蒙特卡罗方差减少(Monte CarloVariance Reduction，MCVR)技术的采样方法，构造有效的采样。在采样过程中引入了一种偏差，使得评估阶段罕见事件的表征增加。第(1)步中对边界区域已有了大致的确定，所使用的基于MCVR技术的采样方法可以使采样过程偏向边界区域。因此便可以得到了离线训练样本集。
对高效生成的训练样本集进行标准归一化，以减轻机器计算负担，标准归一化的方式如公式(4)所示：
式中：为某运行变量经过标准归一化后的值；xi为该运行变量的原始值；xi_min为所获取样本中该变量的最小值；xi_max为所获取样本中该变量的最大值；通过此方式使所有变量的值都在0至1内变化。
电力系统安全评估方法需要大量的样本集来训练或测试它的性能。由于历史数据往往包含有限数量的异常情况，并且边界区域附近的有关信息经常丢失，为此需要仿真数据。生成这样的样本集是一项非常艰巨的任务，即使对于规模较小的电力系统也是如此。因此，使用一种边界区域重要性采样方法，在采样过程中主要偏向边界区域，能够映射安全与不安全区域。生成信息丰富和数据量不大的样本集，可以使得训练过程的速度更快，并获得更高的预测精度。
在步骤三)中，将高效生成的样本集输入训练模型。CVM通过特征映射将样本集S投影到高维空间以建立最小包围球(Minimum Enclosing Ball，MEB)，并求解MEB问题。采用CVM算法求解MEB问题。用St、ct和Rt分别表示经过t次迭代的核心集、球心和半径。中心和半径球B由cB和rB表示,给定正数ε，离线训练过程如以下步骤：
(1)S0、c0和R0初始化：
选择任意点z∈S来初始化S0＝{z}，在特征空间中，找到za∈S离z最远的点，然后可以找到离za最远的另一点zb∈S，则初始核心集为S0＝{za,zb}，初始球心为初始球心R0；
(2)如果没有任何点落在(1+ε)球外，则算法结束。否则，核心集为St+1＝St∪{z}，z是/>离ct最远的点；
(3)寻找新的MEB：
新的MEB(St+1)由步骤(2)给出，并且和/>可根据得到，其中α＝[α1,α2,...,αm]′为拉格朗日乘数，k为核矩阵。然后转到第(2)步进行下一次迭代。
通过以上步骤，可以得到离线训练模型。
综合考虑多种可能影响电力系统暂态安全状态的因素，其中包括拓扑结构变化、发电机功率变化、负载功率变化、以及其他运行工况变化。针对以上情况，获取近实时的更新样本集，利用此样本集对离线训练模型进行更新，以获得更新后的暂态安全评估模型。
在步骤四)中，利用同步相量测量单元及广域监测系统实时采集电力系统运行变量，基于实时的数据，利用更新后的暂态安全评估模型对电力系统暂态安全状态进行预测，得到在线暂态安全评估结果。
一种边界区域重要性采样方法，它包括以下步骤：
步骤(1)使用信息熵来确定边界区域；
步骤(2)使用基于MCVR技术的采样方法，构造有效的采样，在采样过程中引入了偏差，使得评估阶段罕见事件的表征增加。
在步骤(1)中，使用信息熵来确定边界区域，如公式(5)所示：
式中：S为样本数据集合，C为类别数目，pi为分类为i类的在S中的比例；根据熵的概念，可以得到样本数据库的纯度的度量；E(S)的值越大表示纯度越低，即信息量越丰富，因此将熵值相对较大的地方定义为边界区域，用此方法来大致决定边界区域。
在步骤(2)中，使用基于MCVR技术的采样方法，构造有效的采样，在采样过程中引入了偏差，使得评估阶段罕见事件的表征增加，第(1)步中对边界区域已有了大致的确定，所使用的基于MCVR技术的采样方法可以使采样过程偏向边界区域；具体分为以下两个步骤：
1)重要性采样的方差缩减：
定义不可接受的事件的概率，即P(Y～不可接受的事件)，如公式(6)所示：
式中：Y＝t表示阀值，Y＜t表示不可接受事件的性能，我们可以将指示函数I(Y)，定义为如公式(7)所示：
因此可以将公式(6)定义为如公式(8)所示：
上述期望函数给出了粗略的蒙特卡罗估计，其中yi是从f(y)分布中提取的蒙特卡罗样本，这个估计有与之相关的方差，因为h(yi)的数量数yi变化，通过将期望函数重构来减小估计的方差，期望函数的重构如公式(7)所示：
式中：yi是从分布g(y)中提取的蒙特卡罗样本，这确保了的数量几乎和yi的数量一致；
2)训练样本的高效生成：
第一阶段操作就提供了X最有可能发生的边界区域，从而确定了我们想要偏差样本生成的x空间，就指示函数而言，采样的区域如公式(10)所示：
式中：S是边界区域，例如，在单变量情况下，定义S＝{x:x1≤x≤x2}，抽样分布函数gX(x)可以构造成|h(x)|f(x)，fX(x)的区域为S，抽样密度重要性的表示，如公式(11)所示：
式中：k1和k2是满足概率条件k1+k2＝1的偏置，f1X(x)是边界区域的概率密度函数，f2X(x)是边界区域外的概率分布函数，抽样分布函数gX(x)在k1＝1时，即完全偏向边界区域，以边界区域为条件的状态空间概率分布，如公式(12)、公式(13)所示：
a＝∫SfX(x)dx (13)
式中：a为缩放因子，满足0≤a≤1，由以上式子说明概率分布被改变了，使更多的数据来自边界区域，因此便得到了离线训练样本集。
采用上述技术方案，能带来以下技术效果：
(1)使用信息熵的概念，能够判断出信息量丰富的区域，以此来大致确定边界区域；
(2)使用一种基于MCVR技术的采样方法，可以使采样偏向边界区域，生成信息丰富，数据量不大的高效样本集，可以使离线训练过程的速度更快；
(3)基于高效生成的样本集,结合CVM构建电力系统暂态稳定评估模型，评估结果具有较高的精度，并且使用的时间较少。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1是本发明方法流程图；
图2是本发明提出的采样方法流程图；
图3是本发明实施例的IEEE 39节点系统拓扑结构图；
图4是本发明实施例所测试的四种不同模型的数据处理速度比较图；
图5是本发明实施例所测试的采用三种不同采样方法的模型评估准确率比较图。
具体实施方式
基于边界区域重要性采样与核向量机的暂态安全评估方法，如图1所示，具体包括以下步骤：
步骤一)：利用电力系统历史运行数据以及对电力系统的一系列故障的模拟仿真，获取系统运行样本，构建动态安全指标，建立相应的样本数据库；
步骤二)：针对这个样本数据库，使用一种边界区域重要性采样方法，对样本数据库进行采样，以高效的生成离线训练样本集，并对该样本集进行标准归一化；
步骤三)：基于该样本集，结合CVM，构建电力系统暂态安全评估模型，并利用样本集对模型进行离线训练及更新；
步骤四)：基于电力系统实时运行数据，利用持续更新的评估模型完成对电力系统实时暂态安全状态的评估，得出暂态安全评估结果。
在步骤一)中，基于电力系统历史运行数据与预想事故集，进行详细的潮流分析和时域仿真，获得系统运行样本，建立相应的样本数据库。
利用PSS/E软件进行时域仿真，得到各运行状态下各故障位置的CCT。通常当CCT大于ACT时，系统的运行状态被判断为安全。因此，构建暂态安全指标，即TSM，如公式(1)所示：
式中：CCTi为电力系统某个位置在事故i下的极限切除时间；ACTi为故障点在事故i下的实际切除时间；TSMi为该位置的暂态安全裕度。TSM的定义如公式(2)所示：
在步骤二)中，针对所建立的样本数据库，使用一种边界区域重要性采样方法，如图2所示，具体如以下步骤：
(1)使用信息熵来确定边界区域，如公式(3)所示：
式中：S为样本数据集合，C为类别数目，pi为分类为i类的在S中的比例。根据熵的概念，可以得到样本数据库的纯度的度量。E(S)的值越大表示纯度越低，即信息量越丰富，因此将熵值相对较大的地方定义为边界区域。用此方法来大致决定边界区域。
(2)使用一种基于MCVR技术的采样方法，构造有效的采样。在采样过程中引入了一种偏差，使得评估阶段罕见事件的表征增加。第(1)步中对边界区域已有了大致的确定，所使用的基于MCVR技术的采样方法可以使采样过程偏向边界区域。具体分为以下两个步骤：
1)重要性采样的方差缩减：
定义不可接受的事件的概率，即P(Y～不可接受的事件)，如公式(4)所示：
式中：Y＝t表示阀值，Y＜t表示不可接受事件的性能。我们可以将指示函数I(Y)，定义为如公式(5)所示：
因此可以将公式(4)定义为如公式(6)所示：
上述期望函数给出了粗略的蒙特卡罗估计，其中yi是从f(y)分布中提取的蒙特卡罗样本。这个估计有与之相关的方差，因为h(yi)的数量数yi变化。通过将期望函数重构来减小估计的方差，期望函数的重构如公式(7)所示：
式中：yi是从分布g(y)中提取的蒙特卡罗样本，这确保了的数量几乎和yi的数量一致。
2)训练样本的高效生成：
第一阶段操作就提供了X最有可能发生的边界区域，从而确定了我们想要偏差样本生成的x空间。就指示函数而言，采样的区域如公式(8)所示：
式中：S是边界区域，例如，在单变量情况下，定义S＝{x:x1≤x≤x2}。抽样分布函数gX(x)可以构造成|h(x)|f(x)。fX(x)的区域为S，抽样密度重要性的表示，如公式(9)所示：
式中：k1和k2是满足概率条件k1+k2＝1的偏置，f1X(x)是边界区域的概率密度函数，f2X(x)是边界区域外的概率分布函数。抽样分布函数gX(x)在k1＝1时，即完全偏向边界区域，以边界区域为条件的状态空间概率分布，如公式(10)、公式(11)所示：
a＝∫SfX(x)dx (11)
式中：a为缩放因子，满足0≤a≤1。由以上式子说明概率分布被改变了，使更多的数据来自边界区域，因此便得到了离线训练样本集。
对高效生成的训练样本集进行标准归一化，以减轻机器计算负担，标准归一化的方式如公式(12)所示：
式中：为某运行变量经过标准归一化后的值；xi为该运行变量的原始值；xi_min为所获取样本中该变量的最小值；xi_max为所获取样本中该变量的最大值；通过此方式使所有变量的值都在0至1内变化。
在步骤三)中，将高效生成的样本集输入训练模型。CVM通过特征映射将样本集S投影到高维空间以建立MEB(S)，并求解MEB问题。采用CVM算法求解MEB问题。用St、ct和Rt分别表示经过t次迭代的核心集、球心和半径。中心和半径球B由cB和rB表示,给定正数ε，离线训练过程如以下步骤：
(1)S0、c0和R0初始化：
选择任意点z∈S来初始化S0＝{z}，在特征空间中，找到za∈S离z最远的点，然后可以找到离za最远的另一点zb∈S，则初始核心集为S0＝{za,zb}，初始球心为初始球心R0；
(2)如果没有任何点落在(1+ε)球外，则算法结束。否则，核心集为St+1＝St∪{z}，z是/>离ct最远的点；
(3)寻找新的MEB：
新的MEB(St+1)由步骤(2)给出，并且和/>可根据得到，其中α＝[α1,α2,...,αm]′为拉格朗日乘数，k为核矩阵。然后转到第(2)步进行下一次迭代。
通过以上步骤，可以得到离线训练模型。
综合考虑多种可能影响电力系统暂态安全状态的因素，其中包括拓扑结构变化、发电机功率变化、负载功率变化、以及其他运行工况变化。针对以上情况，获取近实时的更新样本集，利用此样本集对离线训练模型进行更新，以获得更新后的暂态安全评估模型。
在步骤四)中，利用同步相量测量单元及广域监测系统实时采集电力系统运行变量，基于实时的数据，利用更新后的暂态安全评估模型对电力系统暂态安全状态进行预测，得到在线暂态安全评估结果。
实施例：
该发明实例使用了IEEE39节点系统。如图3所示，该测试系统涉及39个节点、10个发电机、46条传输线。基准功率为100MVA，基准电压为345kV。假设同步向量测量单元安装在所有总线上，以便收集大量数据集。为了生成合理的数据集，随机改变测试系统的运行条件。考虑10种不同负荷水平(80％、85％、90％、95％、100％、105％、110％、115％、120％、125％)，相应的改变发电机输出。在此基础上，采用变负荷、变发电的方法求解电力系统的潮流问题。考虑的紧急情况主要是每条母线上的三相接地故障，以及每条输电线路上的三个位置(占线路长度的25％、50％和75％)。模拟假设具体故障发生在0.1秒，在0.3秒(或0.35秒，0.4秒)被切断。发电机为四阶模型，负载为恒阻抗模型。共得到6310个样本，对这些样本使用一种边界区域重要性采样方法，得到1890个样本用于测试。对于得到的1890个样本使用10交叉验证法，各项验证重复10次。
测试和训练采用了四种不同的模型，包括：SVM，核心向量数据描述(Core VectorData Description，CVDD)，球向量机(Ball Vector Machine，BVM)，CVM。采用表1所示的混淆矩阵，对用于测试的四种不同的评估模型进行综合评价。图中Class＝1和Class＝0分别表示为稳定性和不稳定的情况。f11表示系统实际情况和预测情况相同，都为稳定状态。f00表示系统实际情况和预测情况相同，都为不稳定状态。f10表示预测为不稳定状态,但是系统实际上是稳定状态。f01表示预测是短暂稳定状态，但系统实际上是不稳定状态。
以准确率AC、漏报警率FD、误报警率FA，作为分类性能的评价指标。
表1
表2、图4给出了四种不同类型的模型的性能测试结果。如表2所示，CVM模型的准确率AC最高，漏报警率FD、误报警率FA都是最低。如图4所示，给出了四种不同类型的模型的数据处理时间，并且CVM模型耗时最短。因此CVM模型和其他的三种模型相比，具有更高的精度，且实现了更低的时间和空间复杂度，比其他算法具有更高的效率。
表2
| 模型 | AC(％) | FD(％) | FA(％) |
| SVM | 77.85 | 13.29 | 8.86 |
| CVDD | 79.11 | 12.53 | 8.36 |
| BVM | 83.54 | 9.88 | 6.58 |
| CVM | 93.04 | 3.83 | 3.13 |
如图5所示，显示了另一项研究的结果，比较了采用三种不同的采样方法的模型评估准确率，即按概率分布从整个状态空间采样、按均匀采样进行采样、边界区域重要性采样。可看出即使在数据量减少的情况下，边界区域重要性采样方法也显示了很高的精度。
以上结果证明了基于边界区域重要性采样与核向量机的暂态安全评估模型的有效性。结果表明，CVM算法具有极高的性能，并且在数据量较小的情况下，使用边界区域重要性采样方法，可以生成更多的信息内容，从而提高评估模型的性能。本发明提出的训练样本集生成方法可以应用于其它数据挖掘技术中，提出的评估模型也可以解决其它电力系统的安全问题，可以应用于实际的电力系统运行中。
Claims (4)
1.基于边界区域重要性采样与核向量机的暂态安全评估方法，其特征在于，包括以下步骤：
步骤一)：根据电力系统历史运行数据以及对电力系统的一系列故障的模拟仿真，获取系统运行样本，构建暂态安全指标，建立相应的样本数据库；
步骤二)：针对这个样本数据库，使用边界区域重要性采样方法，对样本数据库进行采样，以高效的生成离线训练样本集，并对该样本集进行标准归一化；
步骤三)：基于该样本集，结合核向量机，构建电力系统暂态安全评估模型，并利用样本集对评估模型进行离线训练及更新；
步骤四)：基于电力系统实时运行数据，利用持续更新的暂态安全评估模型完成对电力系统实时暂态安全状态的评估，得到暂态安全评估结果；
在步骤二)中，针对所建立的样本数据库，所使用的边界区域重要性采样方法分为以下两个步骤：
步骤2-1)：使用信息熵来确定边界区域，如公式(3)所示：
式中：S为样本数据集合；C为类别数目；pi为分类为i类的在S中的比例，根据熵的概念，可以得到样本数据库的纯度的度量，E(S)的值越大表示纯度越低，即信息量越丰富，因此将熵值相对较大的地方定义为边界区域，用此方法来决定边界区域；
步骤2-2)：在步骤2-1)中对边界区域已有了确定，使用基于蒙特卡罗方差减少技术的采样方法使采样过程偏向边界区域，可以得到离线训练样本集；
具体分为以下两个步骤：
(1)重要性采样的方差缩减：
定义不可接受的事件的概率，即P(Y～不可接受的事件)，如公式(6)所示：
式中：Y＝t表示阀值，Y＜t表示不可接受事件的性能，我们可以将指示函数I(Y)，定义为如公式(7)所示：
因此可以将公式(6)定义为如公式(8)所示：
公式(8)的期望函数给出了粗略的蒙特卡罗估计，其中yi是从f(y)分布中提取的蒙特卡罗样本，这个估计有与之相关的方差，因为h(yi)的数量yi变化，通过将期望函数重构来减小估计的方差，期望函数的重构如公式(9)所示：
式中：yi是从分布g(y)中提取的蒙特卡罗样本，这确保了的数量几乎和yi的数量一致；
(2)训练样本的高效生成：
第一阶段操作就提供了X最有可能发生的边界区域，从而确定了我们想要偏差样本生成的x空间，就指示函数而言，采样的区域如公式(10)所示：
式中：S是边界区域，在单变量情况下，定义S＝{x:x1≤x≤x2}，抽样分布函数gX(x)可以构造成|h(x)|f(x)，fX(x)的区域为S，抽样密度重要性的表示，如公式(11)所示：
式中：k1和k2是满足概率条件k1+k2＝1的偏置，f1X(x)是边界区域的概率密度函数，f2X(x)是边界区域外的概率分布函数，抽样分布函数gX(x)在k1＝1时，即完全偏向边界区域，以边界区域为条件的状态空间概率分布，如公式(12)、公式(13)所示：
a＝∫SfX(x)dx (13)
式中：a为缩放因子，满足0≤a≤1，由公式(12)及公式(13)说明概率分布被改变了，使更多的数据来自边界区域，因此便得到了离线训练样本集。
2.根据权利要求1所述的基于边界区域重要性采样与核向量机的暂态安全评估方法，其特征在于：在步骤一)中，基于电力系统历史运行数据与预想事故集，进行详细的潮流分析和时域仿真，获得系统运行样本，建立相应的样本数据库；
利用PSS/E软件进行时域仿真，得到各运行状态下各故障位置的极限切除时间CCT即Critical Clearing Time，通常当CCT大于实际清除时间ACT即Actual Clearing Time时，系统的运行状态被判断为安全，因此，构建暂态安全指标，即暂态安全裕度TSM即TransientStability Margin，如公式(1)所示：
式中：CCTi为电力系统某个位置在事故i下的极限切除时间；ACTi为故障点在事故i下的实际切除时间；TSMi为该位置的暂态安全裕度，TSM的定义如公式(2)所示：
3.根据权利要求1所述的基于边界区域重要性采样与核向量机的暂态安全评估方法，其特征在于：在步骤三)中，将高效生成的样本集输入训练模型，CVM通过特征映射将样本集S投影到高维空间以建立最小包围球MEB即Minimum Enclosing Ball，并采用CVM算法求解MEB问题，用St、ct和Rt分别表示经过t次迭代的核心集、球心和半径，中心和半径球B由cB和rB表示,给定正数ε，离线训练过程如以下步骤：
步骤3-1)：S0、c0和R0初始化：
选择任意点z∈S来初始化S0＝{z},在特征空间中，找到za∈S离z最远的点，然后可以找到离za最远的另一点zb∈S，则初始核心集为S0＝{za,zb}，初始球心为初始球心R0；
步骤3-2)：如果没有任何点落在(1+ε)球外，则算法结束，否则，核心集为St+1＝St∪{z}，z是/>离ct最远的点；
步骤3-3)：寻找新的MEB：
新的MEB(St+1)由步骤3-2)给出，并且和/>可根据得到，其中α＝[α1,α2,...,αm]′为拉格朗日乘数，k为核矩阵，然后转到步骤3-2)进行下一次迭代；
通过以上步骤，可以得到离线训练模型。
4.根据权利要求1或2或3所述的基于边界区域重要性采样与核向量机的暂态安全评估方法，其特征在于：在步骤四)中，利用同步相量测量单元及广域监测系统实时采集电力系统运行变量，基于实时的数据，利用更新后的暂态安全评估模型对电力系统暂态安全状态进行预测，得到在线暂态安全评估结果。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311072657.4A CN117332322A (zh) | 2020-04-16 | 2020-04-16 | 一种边界区域重要性采样方法 |
| CN202010301010.4A CN111401476B (zh) | 2020-04-16 | 2020-04-16 | 基于边界区域重要性采样与核向量机的暂态安全评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010301010.4A CN111401476B (zh) | 2020-04-16 | 2020-04-16 | 基于边界区域重要性采样与核向量机的暂态安全评估方法 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311072657.4A Division CN117332322A (zh) | 2020-04-16 | 2020-04-16 | 一种边界区域重要性采样方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111401476A CN111401476A (zh) | 2020-07-10 |
| CN111401476B true CN111401476B (zh) | 2023-11-03 |
Family
ID=71431587
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010301010.4A Active CN111401476B (zh) | 2020-04-16 | 2020-04-16 | 基于边界区域重要性采样与核向量机的暂态安全评估方法 |
| CN202311072657.4A Pending CN117332322A (zh) | 2020-04-16 | 2020-04-16 | 一种边界区域重要性采样方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311072657.4A Pending CN117332322A (zh) | 2020-04-16 | 2020-04-16 | 一种边界区域重要性采样方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN111401476B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508324B (zh) * | 2020-10-14 | 2024-02-23 | 浙江大学 | 一种基于复平面区域化的电力系统特征值评估方法 |
| CN112583414A (zh) * | 2020-12-11 | 2021-03-30 | 北京百度网讯科技有限公司 | 场景处理方法、装置、设备、存储介质以及产品 |
| CN113313406B (zh) * | 2021-06-16 | 2023-11-21 | 吉林大学 | 一种电动汽车运行大数据的动力电池安全风险评估方法 |
| CN113484573B (zh) * | 2021-07-14 | 2023-03-07 | 国家电网有限公司 | 基于能源数据分析的异常用电监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289842A (zh) * | 2011-06-13 | 2011-12-21 | 天津大学 | 一种蒙特卡罗整体光照自适应方法 |
| CN108183499A (zh) * | 2016-12-08 | 2018-06-19 | 南京理工大学 | 一种基于拉丁超立方抽样概率潮流的静态安全分析方法 |
| CN109102146A (zh) * | 2018-06-29 | 2018-12-28 | 清华大学 | 基于多参数线性规划的电力系统风险评估加速方法 |
| CN109492851A (zh) * | 2018-09-06 | 2019-03-19 | 国网浙江省电力有限公司经济技术研究院 | 一种基于不同区域负荷增长不确定性的网架裕度评估方法 |
| CN110264116A (zh) * | 2019-07-31 | 2019-09-20 | 三峡大学 | 一种基于关系探索与回归树的电力系统动态安全评估方法 |
| CN110442941A (zh) * | 2019-07-25 | 2019-11-12 | 桂林电子科技大学 | 一种基于改进粒子滤波与过程噪声多特征融合算法的电池状态跟踪与rul预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10452793B2 (en) * | 2014-08-26 | 2019-10-22 | International Business Machines Corporation | Multi-dimension variable predictive modeling for analysis acceleration |
| US11403554B2 (en) * | 2018-01-31 | 2022-08-02 | The Johns Hopkins University | Method and apparatus for providing efficient testing of systems by using artificial intelligence tools |
-
2020
- 2020-04-16 CN CN202010301010.4A patent/CN111401476B/zh active Active
- 2020-04-16 CN CN202311072657.4A patent/CN117332322A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289842A (zh) * | 2011-06-13 | 2011-12-21 | 天津大学 | 一种蒙特卡罗整体光照自适应方法 |
| CN108183499A (zh) * | 2016-12-08 | 2018-06-19 | 南京理工大学 | 一种基于拉丁超立方抽样概率潮流的静态安全分析方法 |
| CN109102146A (zh) * | 2018-06-29 | 2018-12-28 | 清华大学 | 基于多参数线性规划的电力系统风险评估加速方法 |
| CN109492851A (zh) * | 2018-09-06 | 2019-03-19 | 国网浙江省电力有限公司经济技术研究院 | 一种基于不同区域负荷增长不确定性的网架裕度评估方法 |
| CN110442941A (zh) * | 2019-07-25 | 2019-11-12 | 桂林电子科技大学 | 一种基于改进粒子滤波与过程噪声多特征融合算法的电池状态跟踪与rul预测方法 |
| CN110264116A (zh) * | 2019-07-31 | 2019-09-20 | 三峡大学 | 一种基于关系探索与回归树的电力系统动态安全评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| WANG B，FANG B.Power system transient stability assessment based on big data and the core vector machine.IEEE Transactions on Smart Grid.2016,第7卷(第5期),第2561-2570页. * |
| 程蕾.不确定性结构的全局与区域灵敏度分析研究.中国优秀博士论文电子期刊 工程科技II辑.2019,全文. * |
| 陈伟，段芯.一种改进的电压暂降概率评估方法.兰州理工大学学报.2019,第45卷(第2期),第90-96页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111401476A (zh) | 2020-07-10 |
| CN117332322A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401476B (zh) | 基于边界区域重要性采样与核向量机的暂态安全评估方法 | |
| Wang et al. | Resilience enhancement with sequentially proactive operation strategies | |
| CN111652479B (zh) | 一种针对电力系统动态安全评估的数据驱动方法 | |
| Tang et al. | Dimension-adaptive sparse grid interpolation for uncertainty quantification in modern power systems: Probabilistic power flow | |
| Rossi et al. | Stochastic evaluation of distribution network hosting capacity: Evaluation of the benefits introduced by smart grid technology | |
| Hang et al. | Power system transient stability assessment based on dimension reduction and cost-sensitive ensemble learning | |
| CN110309949A (zh) | 一种区域电能替代潜力预测方法及系统 | |
| CN114050568A (zh) | 基于多元经验模态分解的强迫振荡源定位方法及装置 | |
| Abdelmalak et al. | A polynomial chaos-based approach to quantify uncertainties of correlated renewable energy sources in voltage regulation | |
| CN115062534A (zh) | 天然气管道系统的供气可靠性计算方法及装置 | |
| CN113300373B (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
| Huang et al. | Data-driven reliability assessment of an electric vehicle penetrated grid utilizing the diffusion estimator and slice sampling | |
| CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
| CN109217339B (zh) | 一种基于pmu配置的静态电压安全域的构建方法 | |
| CN111585277A (zh) | 一种基于混合集成模型的电力系统动态安全评估方法 | |
| CN109066683B (zh) | 计及谐波影响的静态电压稳定性分析方法 | |
| Massaoudi et al. | Short-term dynamic voltage stability status estimation using multilayer neural networks | |
| Ye et al. | The maintenance strategy for optimizing distribution transformer life cycle cost | |
| Xi et al. | A pseudo-analytical mix sampling strategy for reliability assessment of power girds | |
| Senyuk et al. | Methodology for Forming a Training Sample for Power Systems Emergency Control Algorithm Based on Machine Learning | |
| Zhou et al. | Power-Load Fault Diagnosis via Fractal Similarity Analysis | |
| Liu et al. | Fault Prediction using a Grey-Markov Model from the Dissolved Gases Contents in Transformer Oils | |
| Zhang et al. | Fast Probabilistic TTC Assessment Based on Copula Theory and Deep Ensemble Learning | |
| Zhuo et al. | Research of acceleration algorithm in power system risk assessment based on scattered sampling and heuristic local load shedding | |
| Guo | CHAIN FAULT IDENTIFICATION AND POWER GRID PLANNING OPTIMISATION IN POWER SYSTEMS CONSIDERING MULTIPLE SCENARIOS |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |